Objetivo: Mejorar la precisión en la predicción de la diabetes mediante un modelo de aprendizaje automático basado en el clasificador ingenuo bayesiano Métodos: Se utilizaron varios métodos entre ellos el análisis de datos, el procesamiento de los datos, así como la implementación de un clasificador ingenuo bayesiano posteriormente se avaluaron las métricas de evaluación del modelo. Resultados El impacto de esta investigación se da en el valor preventivo que genera una tendencia de salud integral y a la calidad de vida incluyendo a sectores vulnerables, salud pública y familiar contribuyendo a solucionar el problema de salud agravante mediante el clasificador ingenuo de bayes con aplicación en el aprendizaje automático para calcular el riesgo de un diagnóstico de diabetes tomando en cuenta datos del paciente mediante una evaluación adecuada de los síntomas más frecuentes y signos comunes el método que se usa es el clasificador ingenuo bayesiano para la predicción de diabetes con una precisión de esta investigación es de 89.01% con un intervalo de confianza del 95% que oscila entre (0.8534, 0.9203). Nos interesa clasificar los casos positivos de diabetes podemos afirmar que este modelo funciona muy bien teniendo una sensibilidad de del 82%, con una capacidad de correctamente casos negativos de diabetes es de 94% con un índice Kappa del 77.27% lo que muestra concordancia casi perfecta de diabetes podemos afirmar que este modelo funciona muy bien teniendo una sensibilidad de del 82%, con una capacidad de correctamente casos negativos de diabetes es de 94%. Conclusiones: El modelo nos indica su capacidad para identificar correctamente los casos positivos y negativos de diabetes. La tasa de no información fue del 0.5714, y el valor P [Acc > NIR] fue menor que 2e-16, lo que indica que el modelo no tiene errores significativos en la clasificación. La tasa de detección fue del 35.16%, y la prevalencia de detección fue del 38.46%, lo que demuestra la capacidad del modelo para detectar la presencia de diabetes en la población. Además, la precisión equilibrada del modelo fue del 88.14%, lo que sugiere que es un modelo equilibrado en términos de predicciones positivas y negativa, los resultados indican que el modelo Naive Bayes es altamente preciso y confiable en la predicción de la diabetes, lo que puede ser de gran utilidad en la detección temprana y el tratamiento de esta enfermedad crónica.

The aim of the study was to validate an instrument and propose standards to measure the language skills of school adolescents. 2270 adolescents (1134 males and 1136 females) in the region of Maule (Chile) was studied. The age range is between 10 to 18 years. The validated instrument has three categories (verbal, paralinguistic and non-verbal) and a total of 26 items. The instrument showed to be valid after the exploratory analysis and Cronbach α (0.86 to 0.88) showed highly reliable values. The LMS method to develop percentiles, let p10, p50 and p90 calculated by age and sex. The instrument measures developed language skills valid and reliable also adopted cutoffs allow diagnose and adolescents by age and sex. These results suggest the use and application of the instrument as an everyday tool in social, cultural and educational contexts.

El cáncer es una de las enfermedades que más amenaza la vida y las mutaciones en genes seleccionados están asociadas con el tumor génesis. La identificación de las mutaciones conductoras, que son responsables de la progresión de la enfermedad, es crucial para la oncología de precisión. La información disponible experimentalmente sobre las mutaciones que causan cáncer se acumula en varias bases de datos y los datos se utilizan para desarrollar algoritmos computacionales que predicen las mutaciones impulsoras. En este capítulo, examinamos la literatura para revisar las bases de datos disponibles y resumimos sus características clave. También exploramos métodos computacionales para identificar mutaciones causantes de enfermedades en genes específicos y tipos de cáncer, así como métodos predictivos más genéricos. Además, discutimos las aplicaciones de estas herramientas computacionales que se enfocan en estudios a gran escala. Las bases de datos y los métodos para identificar las mutaciones impulsoras discutidos en esta revisión son útiles para el desarrollo de la medicina de precisión y avanzan en el plan para los esfuerzos biológicos y clínicos.

El objetivo de este capítulo es analizar el uso de tecnologías de membranas para el tratamiento de aguas residuales de la industria farmacéutica, enfocado en la eliminación de compuestos farmacéuticos activos (PhAC) y otros contaminantes presentes en estas aguas residuales. La metodología utilizada consiste en revisar la literatura científica existente sobre el uso de tecnologías de membranas para el tratamiento de aguas residuales de la industria farmacéutica. Se describe la problemática existente en la eliminación de PhAC y otros contaminantes de estas aguas residuales, así como los métodos convencionales utilizados para el tratamiento de las mismas. Además, se analiza el uso de biorreactores de membrana (MBR) y sus ventajas específicas sobre los métodos convencionales en la eliminación de impurezas orgánicas e inorgánicas de las aguas residuales. Los resultados indican que los procesos de membrana, en particular los MBR, son altamente efectivos para la eliminación de contaminantes orgánicos e inorgánicos de las aguas residuales de la industria farmacéutica. En conclusión, se destaca la necesidad de seguir investigando y desarrollando tecnologías de membranas para el tratamiento de aguas residuales de la industria farmacéutica, con el objetivo de mejorar la eliminación de PhAC y otros contaminantes presentes en estas aguas residuales. Los MBR se presentan como una alternativa prometedora, aunque se requiere de un monitoreo y mantenimiento adecuados para garantizar su eficiencia a largo plazo